Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.987


Aluno: Mariana da Silva Barros
Orientador: Prof. Stefan Michael Blawid
Título: Development of a Deep-Learning based System for Disease Symptoms 
Detection over Crop Leaves Images
Data: 22/12/2021
Hora/Local: 10:00 – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Adriano Lorena Inacio de Olivera  (UFPE / Centro de Informática)
Prof. Mylene Christine Queiroz de Farias(UnB / Departamento de Engenharia Elétrica)
Prof. Stefan Michael Blawid  (UFPE / Centro de Informática)


RESUMO:

Agricultura familiar representa um segmento crítico da agricultura 
brasileira, envolvendo mais de 5 milhões de propriedades e gerando 74% dos 
empregos rurais no país. As perdas de rendimento causadas por pragas e 
doenças na colheita podem ser devastadoras para os pequenos produtores. No 
entanto, o controle de doenças bem-sucedido requer uma classificação 
correta, o que desafia os pequenos proprietários, que muitas vezes carecem 
de assistência técnica. O presente trabalho propõe um sistema que alerta 
pequenos produtores e especialistas em fitopatologia sobre possíveis surtos 
de doenças em plantas, permitindo um diagnóstico e intervenção mais 
rápidos. Nesse sentido, nós detectamos sintomas de doenças em imagens de 
folhas de plantas tiradas diretamente por agricultores no campo usando um 
aplicativo de celular desenvolvido com esse propósito. O módulo 
implementado é parte de uma plataforma de serviços que conecta produtores e 
especialistas, projetado em parceria com profissionais de fitopatologia da 
Universidade Federal Rural de Pernambuco (UFRPE). O trabalho usa 
aprendizagem profunda (“deep learning”) e redes neurais convolucionais 
(CNNs) para realizar a classificação das imagens. Os experimentos de 
classificação foram aplicados sobre um conjunto de dados composto por 
imagens de folhas de videira cultivadas no estado de Pernambuco, cuja 
coleta também foi parte do presente trabalho. Portanto, algumas imagens 
coletadas sob as condições do campo apresentam baixa qualidade, o que 
diminui o desempenho da classificação. Assim, nós também classificamos as 
imagens com relação à sua qualidade, para excluir imagens desafiadoras da 
detecção de doenças e reduzir o número de fotos classificadas erroneamente 
entrando na base de dados. A técnica de “multi-label” é aplicada neste 
cenário, permitindo a um único modelo classificar se as imagens mostram 
sintomas e se elas apresentam qualidade suficiente para que isso seja feito 
de maneira confiável. O mecanismo “multi-label” também é uma abordagem 
promissora para incluir futuramente propriedades adicionais da imagem, como 
agentes causadores de doenças. O sistema de classificação desenvolvido 
alcança um valor de “recall” de 95% para detecção de sintomas e um valor de 
precisão de 92% para classificação de qualidade das imagens.

Palavras-chave: Deep Learning, CNN, Multi-label, Doenças de plantas, 
Detecção de sintomas, Agricultura Familiar

Comentários desativados